期刊：Journal of Environmental Management
期刊：Analysis and simulation of the driving mechanism and ecological effects of land cover change in the Weihe River basin, China
小编概述：①分析LCC的驱动机制;②研究LCC对绿度、温度和生物量形成的多重生态效应;③探索和预测LCC对RSEI的综合生态效应。
1 摘要
土地覆被变化（LCC）既是全球环境变化的结果，也是全球环境变化的原因。本文试图构建一个框架来揭示LCC下不同生态因子的驱动机制和生态效应，并探讨未来LCC的生态特征。在斑块生成土地利用模拟（PLUS）模型中，基于土地扩张分析策略（LEAS）的规则挖掘框架分析了LCC的驱动因素。采用邻域分析和生态效应指数对LCC的多重生态效应进行研究。引入基于遥感的生态指数（RSEI）、PLUS和逐步回归模型，探索和预测LCC的综合生态效应。以渭河流域为研究对象，降水量、气温、海拔、人口、地下水位、靠近政府和高速公路、GDP和表层有机碳是LCC的主要驱动因素。绿化和生物量形成的影响方向性相似，但夏季和冬季温度的变化方向相反。此外，土地覆被类型向耕地的转化具有最显著的综合生态效应，其次是森林、草地-灌丛等类型。预计2030年RSEI将上升至0.77，生态质量等级提升和下降的区域分别集中在紫武岭东侧和西侧。研究结果对土地管理和生态保护具有现实意义。
2 引言
土地覆被变化 （LCC） 是全球环境的重要组成部分，既是生态变化的主导因素，也是生态变化的结果。LCC导致生态系统功能和结构的改变，以及地表结构的改变。在过去十年中，60%的生态系统服务已经退化，其中包括土地退化和碳排放增加等。2020 年受土地覆被变化 （LCC） 的影响，全球碳排放量为 0.9 ± 0.7 Gt C。自工业革命以来，人类活动造成的碳排放量占人类活动碳排放量的三分之一，加速了全球变暖。此外，随着城市数量和人口的迅速增加，持续的LCC将导致耕地、林地和草地的不透水表面的侵蚀。这将导致消费者需求与能源和物质资源可用性之间的不平衡。因此，了解LCC的驱动机制和生态影响可能有助于生态系统的可持续性。
许多复杂元素的综合影响导致了LCC。在全球范围内，60% 的 LCC 与直接人类活动有关，40% 由气候变化等间接因素驱动。自然和社会经济因素，如海拔、水源密度、降水、人口密度、坡度和社会变异性，都会驱动 LCC 或间接影响 LCC。例如，人口增长已被确定为埃塞俄比亚低成本排放的主要驱动力。欧洲强烈的社会变化是复杂景观的主要原因。相比之下，伐木、采矿和自然灾害直接影响 LCC。巴西林地变化的主要因素之一是基础设施的发展。与此同时，火灾风险高的土耳其在16年烧毁了约000,2008公顷的植被。不同区域的环境要素和社会发展差异显著，导致区域LCC影响因素的空间异质性较强。因此，对不同地区的LCC及其驱动因素进行长期监测和分析是必不可少的。
LC在许多因素的驱动下不断变化，这些因素可以通过改变地表的物理和化学参数来影响生态环境的状态。LCC可以通过控制辐射，生理和空气动力学因素来影响地表温度和碳氮水循环。先前的研究表明，热带森林面积的减少和北温带地区植树造林的增加减少了碳排放，这将减缓全球变暖的速度。1980 年代末至 2015 年间，中国城市扩张导致植被减少，导致净初级生产 （NPP） 损失 1.695 Tg C。同时，伊朗安扎利湿地集水区农业用地的增加导致蒸散量增加了 8.33%，产水量增加了 7%。然而，很少有研究能够全面量化一个地区LC类型之间的转化对生态环境要素的影响。
联合国环境规划署 （UNEP） 2022 年年度报告将“气候变化”、“自然和生物多样性丧失”以及“污染和废物”确定为摧毁地球的三大危机。本文在前两次主要危机的基础上，选取地表温度、归一化植被指数（NDVI）和NPP作为生态环境的3个单一要素，与LC转换建立联系。此外，还引入了基于遥感的生态指数（RSEI）作为生态环境要素的综合指标。源自 NDVI、地表温度 （LST）、归一化差值和土壤指数 （NDBSI） 和湿指数 （WET） 的 RSEI 提供了对区域生态质量的综合客观评估。然而，关于RSEI最相关的研究是现状评估，很少有人能根据LCC的观点做出预测。种群和不透水表面可以用作RSEI的预测因子，但不适用于自然景观占主导地位的地区。因此，基于区域LC结构和RSEI构建切合实际的预测模型也是分析未来生态效应的一种方式。
通过模型分析和模拟，可以分解、剖析和整合复杂的社会经济和自然生态系统及其在土地系统中的相互作用，以进一步预测 LCC 和密切相关的 RSEI。土地变化模型是数学模型，根据其不同的侧重点，分为面向过程的或面向模式的。面向过程的模型可以与社会经济数据紧密结合，并试图描述实际过程并探索其机制。这些模型包括经济模型、基于代理的模型等。这些模型的共同局限性是缺乏空间划定。另一方面，以模式为导向的模型严重依赖遥感和以前的土地数据，使用统计方法或黑匣子工具进行短期预测。这些模型包括机器学习算法和元胞自动机 （CA）等。机器学习算法和CA的缺点分别包括过拟合的风险和无法揭示潜在的驱动因素。未来土地利用模拟（FLUS）和斑块生成土地利用模拟（PLUS）模型被进一步提出为混合模型。后者揭示了各种LCC类型的致成因素，并模拟了多种类型地块的变化。
本研究为分析LCC的驱动机制和模拟其生态效应提供了框架。探讨了生态环境要素对LCC的响应关系，从单一要素到综合指标。将逐步回归构建的集成指标预测模型与PLUS模型耦合，从时间序列和空间分布两方面对未来生态环境质量进行预测。
3 研究区域
渭河是黄河的第一大支流（图1）。干流位于东经104°00′–110°20′至北纬33°50′–37°18′之间，面积为∼1.35×105公里2 。年平均气温范围为7.8-13.5°C，最高和最低气温分别为42.8°C和-28.1°C。该盆地西部海拔相对较高，东部海拔相对较低。其景观类型包括黄土丘陵地区、六盘、紫武岭、黄龙山和关中平原。
4 研究数据
LC数据集以12 m分辨率从MODIS乘积MCD1Q12（IGBP分类）（https://lpdaac.usgs.gov/products/mcd1q061v500/）中提取。选择的时期是 2001-2020 年的年度规模数据。国家青藏高原科学数据中心（TPDC）LC分数数据集的空间分辨率为1 km（2001-2018）。驱动LCC的因素包括环境和社会经济因素（表1）。NDVI、LST、NPP和WET均由MODIS乘积获得或计算。数据类型、空间分辨率和时间间隔如表2所示。
5 研究方法
在综合生态效应分析中，LC类型分为以下类别：森林（F）、农田（C）、草地灌木林（GS）和其他类型（其他）。RSEI的变化代表了四种LC类型分别被其他类型转化的综合生态效应。中值用于2001年至2020年间响应LC类型转换的RSEI cor的变化（RSEI2020–RSEI2001）。
逐步回归模型单独引入自变量，检验其在回归方程中的显著性，剔除不显著的自变量，反复引入和消除操作，直到所有变量都显著，并建立最终的多元回归方程。在本研究中，对平均RSEI和每种LC类型的面积（以百万平方公里为单位）进行了逐步回归，并建立了回归方程。结合第2.3.2节中的预测LC，计算出2030年流域的预测RSEI。
6 讨论
4.1. 土地覆被变化
黄河是全球所有河流中泥沙负担最重的河流。其中约90%来自黄土中游地区。自1999年以来，中国在黄土高原等地区实施了“以粮换绿”工程，以减少黄河水土流失和泥沙沉积。渭河是黄河最大的支流，包含部分黄土区。因此，该地区的信用证受到了重大影响。结果表明，PW、MF、C/N、UBL、CS、DBF和S等自然植被区域的LC显著增加，而UBL区域的LC没有显著增加。此外，CL 转换为 DBF、MF、GL C/N 和 S，而 GL 转换为 CL、DBF、S 和 MF。渭河流域发生的LC格局变化是基于“在各自适合的地方种植树木、灌木和草”的原则，并酌情促进乔木、灌木和草的组合。
渭河流域温度、降水量和海拔对自然植被的影响遵循高温、降水和海拔的规律。气候要素满足植被生长模式的要求。高海拔地区受社会经济活动的影响相对较小，适合植被自然生长。然而，不合适的自然条件，如高海拔和陡峭的斜坡，使高架地区变得贫瘠。地下水资源相对丰富。WB增加，植被随着地下水位深度的减小而生长。相比之下，地下水位深度较深、水资源有限的地区容易受到干旱胁迫的影响，不利于植被生长 。关中平原等低海拔地区地下水资源充足，气候条件适宜，城市扩张。TOC与WB升高密切相关。TOC积累与降水冲刷和沉积有关，在坡流汇合过程中，TOC含量在河流附近相对较高。这种现象解释了WB在TOC高地区增加的趋势。
植被倾向于避开以人口和GDP为特征的地区，如WS和DBF。相比之下，高速公路附近CS的增加反映了道路建设过程中对生态保护的努力。政策制定者在高速公路和主要道路上的落叶植物林附近增加了 CS。政府代表市中心，是 UBL 和 C/N 的主要影响者。与市政厅之间的距离反映了社会经济发展的程度。
4.2. LCC的生态效应
LCC引起的地表温度效应具有区域变异性。LC主要通过影响表面反照率，粗糙度和蒸散来实现这种可变性。一些研究表明，将 GS 转化为 F 可能具有冷却效果。同样，我们发现森林在冬季比GS更凉爽。然而，北方森林比其他植被类型更温暖，因为它们的反照率变暖超过了冬季可以忽略不计的蒸散冷却。结果还表明，与CL相比，北方森林夏季更温暖，冬季更凉爽。这并不排除人类管理实践的影响，例如生长季节的冷却灌溉和冬季的加温覆盖。在绿化和生物量形成的影响中也观察到相同的变化。LCC可能会改变植被的类型、结构和功能，并进一步改变生产力。对于综合生态效应，RSEI 升高与较高的 NDVI 和湿度相关，但干燥和温度较低。因此，秦岭等植被丰富的地区具有相对较高的RSEI，并表现出优越的生态质量。研究表明，基于生态系统服务的不同，LC类型对应不同的生态类别。排名顺序为水域和湿地、林地、灌木、高覆盖草地、中覆盖草地、低覆盖草地、农田、农村居民点、城市居民点、其他建设用地以及沙地、戈壁和裸地。然而，我们发现C比其他类型具有更高的NDVI，因此具有更高的排名。其他类型向C的转化具有最显著的生态效应，因为GS和其他RSEI相对较低的其他类型转化为C。因此，LCC的综合生态效应与区域土地类型转换具有相关性。此外，RSEI与DBF、MF、WS呈正相关，与GL呈负相关。如果2001年至2020年的LCC模式继续下去，DBF等自然植被将在2030年增加，并对未来的RSEI产生积极影响。
4.3. 研究局限性和未来研究
由于以往研究缺乏对多重生态效应的分析，无法勾勒出生态效应的区域规律和差异。研究表明，由于局部尺度上发生的复杂过程，即使在同一气候带内，森林的影响也具有很高的空间变异性。在生态效应研究中无法进行详细的邻域分析。这些分析仅表明LCC的积极和消极影响。应采用多尺度调查法，探讨LCC的正负影响机制。因此，未来需要进一步探讨LCC的区域变异性和生态效应的尺度效应。此外，RSEI和LC的逐步回归模型通过LCC粗略估计反映流域水平的RSEI。然而，LCC的综合生态效应是一个复杂的过程，而不仅仅是LC和RSEI之间的简单线性关系。未来的研究将侧重于更全面、更准确的方法和指标。未来的研究还可以对LC预测进行多情景模拟，以比较不同LC情景下生态效应的差异，为土地管理者提供参考。
7 结论
本研究采用PLUS模型和邻域分析方法，分析了LCC的机理和多重综合生态效应（包括温度、绿度、生物量形成和RSEI）。在此基础上，基于LC数据和逐步回归模型，建立区域RSEI预测模型，并与PLUS模型相结合，从空间上揭示渭河流域未来生态环境状况。
结果表明：（1）2001—2005年LCC度数最小，2011—2015年LCC度数最显著。PW、MF、C/N、UBL、CS、DBF和S面积显著增加，WB、WS和GL面积显著减少。LCC主要分布在黄龙西北部、紫午岭、六盘、秦岭和黄土丘陵地区。GL在2001年最重要的产出主要转换为CL，DBF，S和WS。（2）降水和气温在十大影响因子中分布最广。它们影响了七种LC类型，其次是地下水位深度、人口、海拔、与政府的接近程度、GDP和与高速公路的接近程度。（3）C-F转化在夏季呈现正温效应，在冬季呈现负温效应，绿化和生物量形成效应呈负效应。C向GS的转化在夏季表现出负温度效应，在冬季表现出正温度效应，绿化和生物量形成效应为正效应。F向GS的转化在冬季表现出温度效应和负生物量形成效应。（4）渭河流域RSEI东南偏高，西北偏低。其他0种LC类型转化为C的生态效应最大，其次是将其他LC类型转化为F、GS等。生态质量等级有改善和下降的区域分别集中在紫武岭东侧和西侧。该研究可支持流域周边资源与环境的协调和可持续发展。
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
